Ung dung mo hinh mang than kinh du bao lam phat viet nam (1)

sử dụng mô hình mạng thần kinh dự báo lạm phát

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP.HCM

-

CÔNG TRÌNH DỰ THI GIẢI THƯỞNG NGHIÊN CỨU KHOA HỌC SINH VIÊN

“NHÀ KINH TẾ TRẺ – NĂM 2011”

TÊN CÔNG TRÌNH:

ỨNG DỤNG MÔ HÌNH MẠNG THẦN KINH

DỰ BÁO LẠM PHÁT VIỆT NAM

THUỘC NHÓM NGÀNH: KHOA HỌC KINH TẾ

MỤC LỤC



DANH MỤC CÁC TỪ VIẾT TẮT

DANH MỤC BẢNG BIỂU

DANH MỤC HÌNH

DANH MỤC PHỤ LỤC

LỜI MỞ ĐẦU

CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VỀ LẠM PHÁT

VÀ MÔ HÌNH MẠNG THẦN KINH NHÂN TẠO 3

1.1 Tổng quan lý thuyết và các nghiên cứu về lạm phát 3

1.1.1 Các quan điểm về lạm phát 3

1.1.2 Phân loại lạm phát 4

1.1.3 Tác động của lạm phát 4

1.1.3.1 Tác động phân phối lại thu nhập của lạm phát 5

1.1.3.2 Tác động của lạm phát đối với tăng trưởng kinh tế 5

1.1.3.3 Tác động của lạm phát lên tỷ giá hối đoái 6

1.1.3.4 Các tác động khác của lạm phát 7

1.2 Mô hình mạng thần kinh nhân tạo 7

1.2.1 Ý tưởng nền tảng của mô hình mạng thần kinh 8

1.2.2 Mô hình mạng thần kinh đơn giản 9

1.2.3 Cấu tạo của mô hình mạng thần kinh 11

1.2.3.1 Hàm kích hoạt 11

1.2.3.2 Cấu trúc mạng 13

1.2.3.3 Huấn luyện mạng 15

1.2.3.3.1 Học không giám sát (Unsupervised learning) 15

1.2.3.3.2 Học có giám sát (Supervised learning) 15

1.2.4 Xây dựng mô hình mạng thần kinh nhân tạo 16

1.2.4.1 Xác định biến số cho mô hình mạng thần kinh 17

1.2.4.2 Thu thập và xử lý dữ liệu 18

1.2.4.3 Sắp xếp lại bộ dữ liệu 19

1.2.4.4 Xây dựng cấu trúc mô hình mạng 21

1.2.4.4.1 Số lớp ẩn của mô hình mạng truyền thẳng đa lớp 21

1.2.4.4.2 Số nơ-ron của mỗi lớp ẩn trong mô hình mạng 21

1.2.4.5 Huấn luyện mạng và các tiêu chuẩn đánh giá mô hình 22

1.2.5 Bằng chứng thực nghiệm của mô hình mạng thần kinh 22

1.2.5.1 Ứng dụng trong dự báo tài chính 23

1.2.5.2 Ứng dụng trong xếp hạng tín dụng 23

1.2.5.3 Ứng dụng trong dự báo lạm phát 24

1.2.5.4 Một số ứng dụng khác của mô hình mạng thần kinh nhân tạo 25

CHƯƠNG 2: ỨNG DỤNG MÔ HÌNH MẠNG THẦN KINH DỰ BÁO LẠM PHÁT VIỆT NAM 27

2.1 Xác định biến số đầu vào của mô hình 27

2.2 Thu thập và xử lý dữ liệu 32

2.3 Sắp xếp lại bộ dữ liệu 36

2.4 Xây dựng mô hình dự báo lạm phát 36

2.5 Kết quả thực nghiệm của mô hình và kết luận 39

CHƯƠNG 3: MỘT SỐ GỢI MỞ TỪ KẾT QUẢ MÔ HÌNH 48

3.1 Gợi ý về hướng nghiên cứu tiếp theo 48

3.2 Gợi ý chính sách 49

KẾT LUẬN

PHẦN PHỤ LỤC

TÀI LIỆU THAM KHẢO

DANH MỤC CÁC TỪ VIẾT TẮT

ADB Ngân hàng phát triển châu Á (Asian development bank)

ANN Mạng thần kinh nhân tạo (Artificial neural networks)

CR Tăng trưởng tín dụng (Credit)

FFNN Mạng thần kinh truyền thẳng (Feedforward Neural Networks)

FX Thay đổi tỷ giá (Foreign exchange)

GRNN Mạng thần kinh hồi quy tổng quát (Generalized regression neural

networks) IMF Quỹ tiền tệ quốc tế

INF Tỷ lệ lạm phát (Inflation)

JCN Mô hình mạng thần kinh kết nối bước nhảy (Jump connection

networks)

LR Mô hình hồi quy tuến tính (Linear regression model)

M2 Tăng trưởng cung tiền M2 (Money supply M2)

MA Trung bình di động (Simple moving average)

MFN Mô hình mạng thần kinh chuyển tiếp đa tầng (Multi feedforward

networks) NNNN Ngân hàng nhà nước Việt Nam

NSNN Ngân sách nhà nước

OIL Thay đổi giá dầu

OLS Phương pháp bình phương nhỏ nhất (Ordinary least squares)

OPEC Hiệp hội các nước xấu khẩu dầu mỏ (Organization of the Petroleum

Exporting Countries)

DANH MỤC BẢNG BIỂU

Danh mục bảng Trang Bảng 2.1: Mô tả các biến cơ sở và ký hiệu sử dụng 34 Bảng 2.2: Một số chỉ số thống kê cơ bản của các biến cơ sở 35 Bảng 2.3: Thống kê các mô hình mạng được sử dụng 38 Bảng 2.4: Kết quả kiểm định ngoài mẫu chuỗi các mô hình MLF

DANH MỤC HÌNH

Danh mục hình Trang

Hình 1.1: Cấu trúc nơ-ron trong não bộ và hệ thần kinh 9

Hình 1.2: Cấu trúc mạng thần kinh đơn giản 10

Hình 1.3: Hàm log-sigmoid 12

Hình 1.4: Cấu trúc mạng truyền thẳng (feed forward) và mạng phản hồi (feed back) 13

Hình 1.5: Mô hình mạng truyền thẳng một lớp ẩn 14

Hình 2.1: Tốc độ tăng trưởng cung tiền M2, tín dụng và lạm phát 28

Hình 2.2: Giá dầu thô và tỷ lệ lạm phát hàng tháng 29

Hình 2.3: Giá xăng dầu trên thị trường trong nước và thế giới 30

Hình 2.4: Tỷ trọng các nhân tố ảnh hưởng đến chỉ số CPI của Việt Nam 31

Hình 2.5: Tỷ lệ lạm phát hàng tháng và trung bình lạm phát 3 kỳ trước đó 33

Hình 2.6: Kết quả kiểm định ngoài mẫu mô hình MLF 7-3-1 41

Hình 2.7: Kết quả kiểm định ngoài mẫu mô hình MLF 7-4-1 42

Hình 2.8: Kết quả kiểm định ngoài mẫu mô hình MLF 7-5-1 42

Hình 2.9: Kết quả kiểm định ngoài mẫu mô hình MLF 7-4-3-1 43

Hình 2.10: Kết quả kiểm định ngoài mẫu mô hình MLF 7-5-4-1 43

Hình 2.11: Kết quả kiểm định ngoài mẫu mô hình MLF 7-3-2-1 44

Hình 2.12: Chuỗi giá trị INF dự báo từ các mô hình GNN 45

Hình 2.13: Chuỗi giá trị INF dự báo trung bình từ các mô hình MLF-GNN và chuỗi thực tế 46

DANH MỤC PHỤ LỤC

Danh mục phụ lục Trang

Phụ lục 1: Các chỉ số đo lường lạm phát 54

Phụ lục 2: Mô hình hồi quy tuyến tính 55

Phụ lục 3: Các phương pháp chuẩn hóa dữ liệu 59

Phụ lục 4: Ba cách tiếp cận để lựa chọn số lượng nơ-ron ẩn phù hợp 60

Phụ lục 5: Mô hình mạng truyền thẳng một lớp ẩn 60

Phụ lục 6: Mô hình mạng truyền thẳng đa lớp 61

Phụ lục 7: Kết quả kiểm định ngoài mẫu mô hình MLF-7-5-4-1 63

Phụ lục 8: Kết quả kiểm định ngoài mẫu mô hình GNN-7-4-1 64

Phụ lục 9: Kết quả kiểm định ngoài mẫu mô hình GNN-7-4-4-4-1 65

mô hình truyền thống được minh chứng trong các nghiên cứu thực nghiệm Trên cơ

sở đó, đề tài “Ứng dụng mô hình mạng thần kinh dự báo lạm phát Việt Nam” đã

được lựa chọn để tiến hành nghiên cứu

2 Mục tiêu nghiên cứu

Mục tiêu của đề tài là hướng đến việc xây dựng mô hình mạng thần kinh phù hợp để

dự báo tỷ lệ lạm phát của Việt Nam Để hoàn thành mục tiêu trên, bài nghiên cứu sẽ lần lượt trả lời cho các câu hỏi:

- Thế nào là mô hình mạng thần kinh nhân tạo? Mô hình có những đặc điểm nổi bật gì so với các mô hình tuyến tính truyền thống và cơ chế vận hành của mô hình này như thế nào?

- Cấu trúc mô hình mạng nào sẽ phù hợp nhất để dự báo tỷ lệ lạm phát của Việt Nam?

- Những gợi ý nào có thể được đưa ra từ kết quả thực nghiệm của mô hình?

3 Kết cấu đề tài

Để đi vào giải quyết mục tiêu nghiên cứu trên, đề tài được xây dựng với kết cấu gồm

ba chương với nội dung như sau:

Chương 1: Cơ sở lý thuyết về lạm phát và mô hình mạng thần kinh nhân tạo

Chương 2: Ứng dụng mô hình mạng thần kinh dự báo lạm phát Việt Nam

Chương 3: Một số gợi mở từ kết quả mô hình

4 Đóng góp của đề tài

Đề tài đã góp phần vào việc hệ thống hóa các khái niệm và nguyên lý nền tảng của

mô hình mạng, cơ chế vận hành của mô hình cùng với quy trình các bước để tiến hành ứng dụng xây dựng mô hình trong dự báo thực tiến Tiếp đó, kết quả thực nghiệm đã cho thấy cấu trúc mạng tốt nhất để dự báo tỷ lệ lạm phát hàng tháng ở Việt Nam là mô hình truyền thẳng giản đơn với một lớp ẩn và ba nơ-ron ẩn Cuối cùng, trên cơ sở kết quả thực nghiệm của mô hình, một số gợi ý về chính sách điều hành lạm phát trong thời gian tới đã được đưa ra

5 Hướng phát triển đề tài

Mô hình mạng thần kinh được sử dụng trong đề tài chỉ là mô hình mạng truyền thẳng giản đơn, do vậy, những nghiên cứu trong thời gian tới hướng đến việc áp dụng mô hình mạng có phản hồi hoặc kết hợp với thuật toán di truyền và logic mờ để xây dựng các mô hình “lai tạp” kỳ vọng sẽ góp phần vào việc nâng cao hiệu quả dự báo Mặt khác, bên cạnh lạm phát thì mô hình còn có thể được ứng dụng trong dự báo các biến

số khác như tỷ giá, tốc độ tăng trưởng GDP… Ngoài ra, một hướng phát triển khả dĩ khác cho đề tài chính là ứng dụng mô hình trong hoạt động phân loại đối tượng đi vay để hỗ trợ cho quá trình thẩm định tín dụng của các ngân hàng

CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VỀ LẠM PHÁT

VÀ MÔ HÌNH MẠNG THẦN KINH NHÂN TẠO

1.1 Tổng quan lý thuyết và các nghiên cứu về lạm phát

1.1.1 Các quan điểm về lạm phát

Khi nghiên cứu về chế độ bản vị vàng, Karl Marx đã khẳng định: việc phát hành tiền giấy phải được giới hạn trong số lượng vàng sẽ thực sự lưu thông dưới hình thức là các đại diện tiền giấy của mình Một khi lượng tiền giấy vượt quá mức giới hạn này thì tiền giấy sẽ mất dần giấy trị làm gia tăng mức giá chung của tất cả các loại hàng hóa và tình trạng lạm phát xuất hiện Theo đó, lạm phát, dưới quan điềm của Karl Marx, được định nghĩa như sau: Lạm phát là việc các kênh, các luồng lưu thông tràn đầy những tờ giấy bạc dư thừa dẫn đến sự tăng vọt trong mức giá chung

Cũng bàn về vấn đề lưu thông tiền tệ, Milton Friendman đã từng phát biểu: Lạm phát

ở mọi lúc mọi nơi đều là hiện tượng của lưu thông tiền tệ Lạm phát xuất hiện và chỉ xuất hiện khi nào số lượng tiền trong lưu thông tăng nhanh hơn so với sản xuất

Tuy nhiên, John Keynes với thuyết cầu của mình cho rằng nguồn gốc sâu xa của lạm phát là sự biến động cung cầu Khi cung đã vượt xa cầu thì sản xuất sẽ đình đốn, nền kinh tế bị suy giảm Lúc đó, Nhà Nước buộc phải tung ra các khoản chi tiêu, đầu tư công lớn, tăng cường các chính sách tín dụng nhằm kéo mức cầu của cả nền kinh tế

về cân bằng và vượt qua tổng cung Lúc này, lạm phát đã xuất hiện Trong trường hợp nền kinh tế phát triển hiệu quả, áp dụng những tiến bộ khoa học kỹ thuật, cơ cấu kinh tế được đổi mới thành công; lạm phát này có tác dụng thúc đẩy sản xuất Ngược lại, lạm phát, theo Keynes, đã không còn là động lực phát triển của nền kinh tế

Với Paul A Samuelson thì lạm phát xảy ra khi mức tăng trong chi phí sản xuất, kinh doanh cao hơn mức tăng trong năng suất lao động Chi phí gia tăng có thể do sự gia tăng trong mức tiền lương, chi phí nguyên vật liệu đầu vào, hoặc cũng có thể là do công nghệ lạc hậu, cơ chế quản lý cồng kềnh… Khi mức chi phí này vượt qua khỏi

sự bù đắp của năng suất lao động thì giá cả các mặt hàng sẽ tăng vọt và lạm phát xuất hiện Lúc này, lạm phát không còn là động lực để phát triển nữa mà nó sẽ khiến cho nền kinh tế bị suy thoái, cần các biện pháp cấp bách nhằm khống chế lạm phát

Tóm lại, có rất nhiều góc nhìn khác nhau về lạm phát Mỗi quan điểm, lý thuyết chỉ giải thích cho một số thời kỳ nhất định và ngày càng nhiều quan điểm mới ra đời cùng sự phát triển của nền kinh tế Nhìn chung, dưới bất kỳ quan điểm nào lạm phát cũng được đặc trưng bởi 3 điểm chính yếu sau:

o Sự gia tăng quá mức của lượng tiền trong lưu thông

o Dẫn đến sự mất giá của đồng tiền

o Từ đó, khiến cho giá cả các loại mặt hàng tăng cao

1.1.2 Phân loại lạm phát

Xét về định tính, lạm phát được nhà kinh tế học Paul A Samuelson phân thành hai loại như sau:

 Lạm phát cân bằng và có thể dự đoán trước:

Đây là loại lạm phát khi toàn bộ giá cả của nền kinh tế đều tăng và mức tăng này đã được dự đoán trước thì thu nhập của người dân cũng đồng thời được tăng lên một cách tương ứng Theo đó, lạm phát cân bằng và có thể dự đoán trước sẽ không gây ra một tác hại nào cho việc sản xuất kinh doanh, tốc độ tăng trưởng của kinh tế hay việc phân phối thu nhập của người dân

 Lạm phát không cân bằng và không được dự đoán trước:

Loại lạm phát này xảy ra khi mức giá cả các loại hàng hóa, dịch vụ tăng không đều nhau, vượt xa mức tăng trong tiền lương và không được dự báo trước Đây là loại phát gây khó khăn cho người dân, thiệt hại cho cả nền kinh tế Một khi lạm phát này xảy ra đồng tiền bị mất giá khiến cho những người nắm giữ hàng hóa giàu lên trong khi những người cầm tiền thì lại nghèo đi một cách tương đối, thu nhập được phân phối lại Vì thế dẫn đến tình trạng đầu cơ tích trữ hàng hóa, ngoại tệ, vàng bạc, bất động sản… gây ra trạng thái khan hiếm hàng hóa, bóp méo, xuyên tạc các yếu tố thị trường, ảnh hưởng đến cả hoạt động sản xuất kinh doanh

1.1.3 Tác động của lạm phát

Lạm phát có những ảnh hưởng nhất định đến sự phát triển kinh tế - xã hội tùy theo mức độ của nó Một điểm quan trọng là tác động của lạm phát phụ thuộc rất nhiều vào việc lạm phát đó có dự đoán trước được hay không Điều này có nghĩa là nếu doanh nghiệp, các hộ gia đình hoàn toàn có thể dự báo được mức độ lạm phát thì khi

đó, lạm phát sẽ không trở nên gánh nặng cho nền kinh tế bởi ta đã có được những giải

pháp để thích nghi với nó Trong khi đó, lạm phát không dự đoán trước sẽ dẫn đến những quyết định đầu tư sai lầm và phân phối lại thu nhập một cách ngẫu nhiên làm mất tinh thần và sinh lực của nền kinh tế

1.1.3.1 Tác động phân phối lại thu nhập của lạm phát

Tác động phân phối lại thu nhập của lạm phát chủ yếu phát sinh bởi hầu hết các khoản nợ hoặc tài sản đều được xác định theo giá trị danh nghĩa và gắn liền với những khoản kỳ hạn cố định Ví dụ, các khoản tiết kiệm ngân hàng, trái phiếu của doanh nghiệp và Chính phủ hoặc các khoản nợ khác… đều không được điều chỉnh theo lạm phát Vì vậy, khi lạm phát tăng cao, giá trị của những khoản nợ và tài sản này sẽ bị giảm xuống Đó là do trong điều kiện lạm phát, giá của hầu hết các hàng hóa và dịch vụ trong nền kinh tế đều tăng trong khi các khoản chi trả gắn liền với những khoản nợ hoặc tài sản này vẫn luôn giữ cố định Nghiên cứu của Césaire A Meh (2009), trên cơ sở dữ liệu của Ngân hàng Trung Uơng Canada, đã lượng hóa tác động tác động của lạm phát đối với việc phân phối lại thu nhập Kết quả cho thấy tác động này thật sự đáng kể cho dù lạm phát chỉ ở mức thấp

1.1.3.2 Tác động của lạm phát đối với tăng trưởng kinh tế

Hầu hết mọi người đều đồng ý rằng lạm phát cao sẽ tác động bất lợi đối với nền kinh

tế Thế nhưng, các nghiên cứu lại không đồng nhất quan điểm về mối tương quan giữa lạm phát và tăng trưởng Lý thuyết cổ điển cho rằng, giữa tăng trưởng và lạm phát tồn tại mối tương quan dương Tuy nhiên, những nghiên cứu thực nghiệm ban đầu về vấn đề này hầu như chưa thể đưa ra một kết luận rõ ràng về mối tương quan giữa hai biến số trên Một trong những nguyên nhân này theo Michael và William (1996) là do giới hạn trong việc xác định mối tương quan phi tuyến, được cho là vốn

dĩ tồn tại trong mối quan hệ giữa lạm phát và tăng trưởng Nghiên cứu của Robert (1996), sử dụng dữ liệu của gần 100 quốc gia trong giai đoạn từ năm 1960 đến 1990

để đánh giá tác động của lạm phát lên tăng trưởng kinh tế, đã đưa ra kết luận như sau: khi lạm phát gia tăng ở mức trung bình khoảng 10% thì tỷ tăng trưởng GDP bình quân đầu người sẽ giảm khoảng 0.4 – 0.6% Mức tác động này không thật sự lớn Tuy nhiên, nghiên cứu của Min Li (2005) sử dụng dữ liệu lạm phát và tăng trưởng ở

90 quốc gia đang phát triển và 25 nước phát triển đã cho thấy sự tồn tại mối tương quan phi tuyến giữa hai biến số này Kết quả nghiên cho thấy, tại các nước đang phát

triển tồn tại hai mức ngưỡng của lạm phát Khi lạm phát dưới mức ngưỡng đầu tiên, tác động của lạm phát đối với tăng trưởng hầu như không đáng kể và đặc biệt trong một số trường hợp tồn tại mối tương quan dương Tiếp đó, trong trường hợp nằm trong khoảng giữa hai mức ngưỡng thì lạm phát sẽ có tác động đáng kể đến tăng trưởng theo hướng nghịch chiều Cuối cùng, khi lạm phát vượt hơn mức ngưỡng thứ hai, “lạm phát phi mã” trong trường hợp này vẫn cho thấy tác động âm đối với tăng trưởng Tuy nhiên, mức độ tác động biên của lạm phát lúc này hầu như suy giảm

1.1.3.3 Tác động của lạm phát lên tỷ giá hối đoái

Theo lý thuyết, trong điều kiện các yếu tố khác không đổi, khi tỷ lệ lạm phát của một nước tăng tương đối so với lạm phát của một nước khác, sẽ dẫn đến sự sụt giảm trong cầu nhập khẩu đối với hàng hóa của quốc gia này Trong khi đó, quốc gia có lạm phát cao sẽ có khuynh hướng nhập khẩu nhiều hơn Hai tác động này cũng lúc tạo áp lực làm giảm giá đồng tiền của nước có mức lạm phát cao hơn Tỷ lệ lạm phát thường khác nhau giữa các quốc gia, tạo nên các kiểu mậu dịch quốc tế để điều chỉnh thích hợp và quá trình này sẽ ảnh hưởng đến tỷ giá hối đoái Mối liên hệ giữa lạm phát và

tỷ giá đã được giải thích bằng lý thuyết ngang giá sức mua (Purchasing power parity – PPP) Hình thức tuyệt đối của lý thuyết này cho rằng giá cả của các sản phẩm giống nhau của hia nước khác nhau sẽ bằng nhau khi được tính bằng một đồng tiền chung Theo đó, nếu sự chênh lệch trong giá cả hàng hóa khi được tính bằng một đồng tiền chung hiện hữu, mức cầu sẽ dịch chuyển để các mức giá này gặp nhau Tỷ giá hối đoái của đồng tiền hai nước sẽ luôn điều chỉnh để duy trì sự ngang giá trong sức mua

Do vậy mà lạm phát sẽ có tác động đến tỷ giá hối đoái Tuy nhiên, các nghiên cứu thực nghiệm đã cho thấy là tình trạng ngang giá không phải luôn tồn tại Phần trăm thay đổi tỷ giá hối đoái thường biến chuyển nhiều hơn chênh lệch lạm phát hai quốc gia Trong một số trường hợp, lý thuyết ngang giá sức mua không thể dự đoán được ngay cả chiều hướng biến động của một đồng tiền Điều này được lý giải một phần là

do lạm phát không phải là yếu tố duy nhất tác động đến tỷ giá Bên cạnh lạm phát, tỷ giá còn chịu ảnh hưởng của các yếu tố khác như: lãi suất, mức thu nhập và sự can thiệp của Chính phủ

1.1.3.4 Các tác động khác của lạm phát

Trong điều kiện lạm phát cao và không dự đoán trước được, cơ cấu nền kinh tế dễ bị mất cân đối vì khi đó các nhà kinh doanh thường hướng đầu tư vào những khu vực hàng hóa có giá cả tăng lên cao, những ngành sản xuất có chu kỳ ngắn, thời gian thu hồi vốn nhanh, hạn chế đầu tư vào những ngành sản xuất có chu kỳ dài, thời gian thu hồi vốn chậm vì có nguy cơ gặp phải nhiều rủi ro

Bên cạnh đó, trong lĩnh vực lưu thông, khi vật giá tăng quá nhanh thì tình trạng đầu

cơ, tích trữ hàng hóa thường là hiện tượng phổ biến, gây nên mất cân đối giả tạo làm cho lưu thông hàng hóa càng thêm rối loạn

Lạm phát hoặc siêu lạm phát làm cho hoạt động của hệ thống tín dụng rơi vào tình trạng khủng hoảng Nguồn tiền gửi trong xã hội bị sụt giảm nhanh chóng, nhiều ngân hàng bị phá sản do mất khả năng thanh toán Lạm phát điều chỉnh quá nhanh, biểu giá thường xuyên thay đổi làm cho lượng thông tin trong giá cả bị phá hủy, các tính toán kinh tế bị sai lệch nhiều theo thời gian, từ đó gây khó khăn cho các hoạt động đầu tư

Hơn nữa, lạm phát còn gây thiệt hại cho ngân sách Nhà nước bằng việc bào mòn giá trị thực của các khoản công phí Lạm phát kéo dài và không dự đoán trước được làm cho nguồn thu ngân sách Nhà nước bị giảm do sản xuất bị suy thoái Tuy nhiên, lạm phát cũng có tác động làm gia tăng số thuế mà Nhà nước thu được trong những trường hợp nhất định

1.2 Mô hình mạng thần kinh nhân tạo

Dưới góc độ khoa học máy tính, mô hình mạng thần kinh vốn là một trong những ứng dụng của ngành khoa học trí tuệ nhân tạo Trí tuệ nhân tạo được mô tả là một phần mềm có khả năng mô phỏng tương tự một số hoạt động của con người Cụ thể hơn, đấy là những hệ thống có khả năng tự học hỏi, chuyển hóa dữ liệu thành “kiến thức” (knowledge) để giải quyết một vấn đề nào đó Mặc dù chỉ mới được ứng dụng trong lĩnh vực kinh tế - tài chính trong thời gian gần đây, các công cụ trí tuệ nhân tạo

đã có một thời gian dài được sử dụng ở những lĩnh vực khác Phần lớn các ứng dụng của trí tuệ nhân tạo được bắt nguồn từ những quy luật của khoa học tự nhiên mà điển hình là thuật toán di truyền, một trong những ứng dụng được vận dụng nhiều trong

các nghiên cứu tài chính những năm gần đây Thuật toán này được sử dụng để tìm kiếm giải pháp thích hợp cho các bài toán tốt dựa trên việc vận dụng các nguyên lý của quy luật tiến hóa như di truyền, đột biến, chọn lọc tự nhiên và trao đổi chéo Bên cạnh đó khoa học về trí tuệ nhân tạo còn có những ứng dụng khác như lý thuyết hỗn loạn (chaos theory), thuật toán mô phỏng luyện kim (simulated annealing), hệ chuyên gia (expert system) và lý thuyết logic mờ (Fuzzy logic)…

Tuy nhiên, trong số những ứng dụng của trí tuệ nhân tạo thì mô hình mạng thần kinh (Artificla Neural Network) được cho là có khả năng thích nghi tốt nhất với yếu tố

“bất định”, vốn tồn tại trong các biến số kinh tế - tài chính và tạo nên rủi ro cho các chủ thể kinh tế trong quá trình ra quyết định Mô hình mạng thần kinh đã giải quyết vấn đề này tốt hơn so với các công cụ khác là do khả năng nhận biết các mẫu hình trong chuỗi dữ liệu để từ đó đưa ra những dự báo về xu hướng biến động trong tương lai Đây vốn là khả năng đặc biệt của não bộ con người mà mô hình mạng nhân tạo

đã mô phỏng được Những ý tưởng cơ bản về cách thức hoạt động của não bộ sẽ giúp cho việc tìm hiểu mô hình dễ dàng hơn

1.2.1 Ý tưởng nền tảng của mô hình mạng thần kinh

Não bộ và hệ thần kinh của con người được cấu thành bởi các tế bào được gọi là ron Theo như minh họa trong hình, mỗi nơ-ron sẽ bao gồm các thành phần chính thực hiện nhiệm vụ tiếp nhận tín hiệu đầu vào, xử lý và cho ra các phản ứng ở đầu ra

Bộ phận đầu vào sẽ tiếp nhận các xung thần kinh vốn dĩ là tín hiệu đầu ra của các ron khác thông qua các khớp thần kinh Khi tiếp nhận những tín hiệu đầu vào này, bộ phận xử lý trung tâm của nơ-ron sẽ tổng hợp chúng lại và so sánh với mức “ngưỡng phản ứng đầu ra” Theo đó, chỉ khi nào các tín hiệu kích thích đầu vào vượt qua mức ngưỡng này thì nơ-ron mới được kích hoạt và phản ứng lại bằng cách truyền tín hiệu đầu ra đến một nơ-ron khác Mức độ phản ứng của mỗi nơ-ron sẽ phụ thuộc vào mức

nơ-độ của các kích thích đầu vào và bản thân nơ-ron mà nó đã được nhận tín hiệu Khi các tín hiện được lan truyền giữa các nơ-ron thì sẽ dần hình thành nên một hệ thống mạng lưới các nơ-ron được kích hoạt đồng thời và đây chính là nguồn gốc cho sự kỳ diệu của não bộ con người trong việc nhận dạng các mẫu hình từ quá khứ

Hình 1.1: Cấu trúc nơ-ron trong não bộ và hệ thần kinh

1.2.2 Mô hình mạng thần kinh đơn giản

Tương tự não bộ con người, hệ thống mạng thần kinh cũng bao gồm một tập hợp các nơ-ron nhân tạo Mỗi nơ-ron sẽ tiếp nhận thông tin đầu vào, xử lý chúng và cho ra giá trị đầu ra Quá trình này được thể hiện trong hình dưới Giá trị đầu vào của mỗi nơ-ron có thể là dữ liệu thô hoặc cũng có thể là đầu ra của một nơ-ron khác Tiếp đó, các nơ-ron nhân tạo này sẽ được được liên kết với nhau và sắp xếp thành các phân lớp (layer)

Tương tự các mô hình hồi quy truyền thống, mô hình mạng thần kinh sẽ xác lập mối quan hệ giữa một tập hợp các biến đầu vào {xi}, i = 1, 2,…, k với một hoặc nhiều biến đầu ra, {yj}, j = 1, 2,…, k* Điều khác biệt là ở sự tồn tại của các “lớp ẩn” (hidden layer) Tại đó, các biến đầu vào sẽ được nén lại hoặc chuyển đổi bởi một hàm

số đặc biệt nào đó, thường là hàm logistic hoặc logsigmoid Chính sự tồn tại của các lớp ẩn này đã giúp cho mô hình mạng thần kinh có khả năng mô phỏng mối tương quan phi tuyến giữa các biến số tốt hơn so với mô hình truyền thống

Hình 1.2: Cấu trúc mạng thần kinh đơn giản

Mỗi biến đầu vào (Input) sẽ đại diện cho một yếu tố có khả năng tác động đến biến đầu ra Về cơ bản, đây chính là biến độc lập trong phương trình hồi quy cổ điển Ví

dụ, khi muốn ứng dụng mô hình mạng thần kinh để đưa ra quyết định có nên chấp nhận hay không đối với một khoản cho vay, các biến đầu vào có giá trị tham khảo để đưa ra quyết định này sẽ bao gồm mức thu nhập hàng tháng, trình độ học vấn, tuổi, giới tính… Giá trị của mỗi biến số này sẽ trở được đưa vào các nơ-ron của lớp Input Trong một số trường hợp, giá trị của biến đầu vào sẽ đại diện cho các biến định tính như: “đúng” hoặc “sai”; “tăng” hoặc “giảm”; “đậu” hoặc “rớt”…

Tiếp đó, biến đầu ra (Output) của mô hình chính là giải pháp của vấn đề, chính là biến độc lập trong môi hình hồi quy tuyến tính Tiếp theo ví dụ trong trường hợp trên, khi đó, biến đầu ra sẽ là quyết định “cho vay” hoặc “không cho vay” Kết quả này sẽ được mã hóa dưới dạng giá trị số học là +1 và 0 Mục tiêu của mô hình mạng, cũng tương tự các mô hình hồi quy khác sẽ là tính toán và dự báo giá trị của biến đầu ra với một tập hợp các thông tin của biến đầu vào được cho trước trên cơ sở các thông tin thu thập được từ dữ liệu quá khứ Tương tự với quá trình hồi quy tuyến tính thông thường, mô hình mạng thần kinh sẽ được “huấn luyện” để có thể “học” từ những thông tin trong dữ liệu quá khứ để từ đó có thể đưa ra quyết định hoặc kết quả dự báo Quá trình này sẽ được tiến hành bằng các thuật toán huấn luyện mạng sẽ được

đề cập kỹ hơn ở các phần sau

Chính trong quá trình “học” này, hệ thống mạng thần kinh sẽ liên tục điều chỉnh các trọng số (weight) của mỗi nơ-ron sao cho đạt được mục tiêu cuối cùng là giá trị dự báo, kết quả của biến đầu ra từ mô hình mạng sẽ gần sát nhất với giá trị thực tế Các trọng số là một trong những thành phần quan trọng nhất của hệ thống mạng nhân tạo

Nó sẽ ảnh hưởng đến mức độ tín hiệu được lan truyền từ lớp ron này sang lớp ron khác Các trọng số thể hiện mức độ ảnh hưởng của mỗi nơ-ron bởi các nơ-ron trước đó Khi so sánh với môi hình hồi quy tuyến tính truyền thống, các trọng số này cũng chính là các hệ số hồi quy thể hiện mức độ tác động của mỗi biến độc lập lên biến phụ thuộc Tuy nhiên, điểm khác biệt ở mô hình này là các trọng số không chỉ

nơ-có ở các nơ-ron biến đầu vào mà còn tồn tại ở nơ-ron của các lớp ẩn

1.2.3 Cấu tạo của mô hình mạng thần kinh

Hệ thống mạng thần kinh nhân tạo được cấu thành bởi 3 bộ phận chính:

 Hàm kích hoạt/hàm truyền – thành phần chính của mỗi nơ-ron

 Cấu trúc mạng - sự tương tác giữa các nơ-ron

 Thuật toán huấn luyện mạng

1.2.3.1 Hàm kích hoạt

Các nơ-ron xử lý dữ liệu đầu vào theo hai hướng: trước hết là sẽ định hình các kết hợp tuyến tính của dữ liệu đầu vào và sau đó tiến hành “nén” những kết hợp tuyến tính này thông qua hàm logsigmoid Hình 1.1 là đồ thị của hàm kích hoạt logistic (hoặc logsidmoid), còn gọi là hàm “nén” (squasher function), của chuỗi số liệu trong khoảng từ -5 đến +5 Theo đó, dữ liệu đầu vào đã được biến đổi trước khi tác động lên biến đầu ra

Sở dĩ hàm logsigmoid được sử dụng là bởi vì “đặc trưng ngưỡng” (threshold behavior) của nó Điều này rất phù hợp với đặc điểm của các biến số kinh tế trước các tác nhân thay đổi Ví dụ, khi lãi suất đã ở mức rất thấp hoặc rất cao, sự thay đổi nhỏ lúc này sẽ có tác động rất ít lên quyết định mua một chiếc ô tô hoặc các hàng hóa lâu bền khác của người tiêu dùng Tuy nhiên, trong một khoảng nào đó được xác định bởi hai giá trị biên, một sự điều chỉnh nhỏ cũng sẽ báo hiệu cho một xu hướng vận động lên hoặc xuống và vì vậy sẽ có tác động lớn đến nhu cầu xe của người tiêu dùng

Hình 1.3: Hàm log-sigmoid

Hơn nữa, hình dạng của hàm logsigmoid còn được sử dụng vì nó phản ánh quá trình học hỏi từ hành động thực tế (learning by doing) Cụ thể là, đồ thị hàm số thể hiện độ dốc tăng dần cho đến một điểm uốn xác định, sau đó, nó dần trở nên phẳng hơn và độ dốc dần tiến đến không Tiếp theo ví dụ trước ta sẽ thấy, khi lãi suất bắt đầu tăng từ mức thấp, người tiêu dùng sẽ đánh giá xác suất của một đợt điều chỉnh tăng hoặc giảm mạnh của lãi suất dựa trên thông tin về mức cho vay ở hiện tại Họ càng có nhiều kinh nghiệm thì càng có khả năng phân tích tín hiệu này để đi đến kết luận rằng đây là một thời cơ tốt để tận dụng mức lãi suất hiện tại hoặc đây là thời điểm nên trì hoãn quyết định mua sắm Kết quả cuối cùng cũng sẽ khác nhau khi những người này phải ra quyết định ở những các thời điểm khác nhau của mức lãi suất Tóm lại, hàm phi tuyến logsigmoid đã nắm bắt được các “ngưỡng phản ứng” (threshold response) đặc trưng cho “sự hợp lý có giới hạn” (bounded rationality) hoặc “quá trình tự học hỏi” (learning porcess) của các chủ thể trong trong quá trình hình thành nên các kỳ vọng của mình Kuan và White (1994) đã cho rằng các điểm “ngưỡng” chính là đặc điểm cốt lõi của các phản ứng phi tuyến trong mô hình mạng thần kinh Điều này được mô tả là “một số nơ-ron có khuynh hướng phản ứng thụ động trước các tác nhân kích thích khiêm tốn, và chúng nhanh chóng trở nên “năng động” hơn chỉ khi các kích thích này vượt qua một mức ngưỡng nào đó Tuy nhiên, sau khi vượt quá giai đoạn này, một sự gia tăng trong các kích thích đầu vào sẽ chỉ còn tác động hạn chế”

1.2.3.2 Cấu trúc mạng

Sau khi xác định được các nơ-ron cụ thể, phần tiếp theo sẽ là kết hợp chúng lại với nhau để hình thành nên hệ thống mạng Cách thức mà các nơ-ron được sắp xếp và tương tác với nhau chính là cấu trúc của mô hình Các nghiên cứu cho thấy có thể có nhiều loại cấu trúc mạng Tuy nhiên, phần lớn chúng sẽ được chia vào hai loại chính là: mạng truyền thẳng (feed-forward) và mạng phản hồi (feedback)

Với cấu trúc mạng truyền thẳng, tín hiệu của mô hình sẽ đi theo một chiều duy nhất

từ các nơ-ron đầu vào, lần lượt qua các nơ-ron của lớp ẩn và cuối cùng đến nơ-ron đầu ra Trong khi đó, với cấu trúc mạng phản hồi, các tín hiệu đầu ra của các nơ-ron lớp này sẽ có thể trở thành đầu vào cho các nơ-ron của lớp trước đó và ta có mô hình mạng thần kinh tuần hoàn (Recurrent Neural Network)

Hình 1.4 : Cấu trúc mạng (a) truyền thẳng (feed-forward) và

(b) mạng phản hồi (feed-back)

Nguồn: Joarder, Rezaul va Ruhul (2006) “Artificial Neural Network in Finance and

Manufacturing”

Hình 1.5 : Mô hình mạng truyền thẳng một lớp ẩn

Nguồn: Paul D MaNelis (2005) “Neural Network in Finance”

Hình 1.5 minh họa cho mô hình mạng thần kinh truyền thẳng 3 lớp: 1 lớp nơ-ron của biến đầu vào, 1 lớp nơ-ron của biến đầu ra và 1 lớp ẩn Mạng truyền thẳng với một lớp ẩn duy nhất là loại mô hình mạng thần kinh cơ bản, được sử dụng phổ biến nhất trong ứng dụng kinh tế, tài chính Nhìn chung, hệ thống mạng này sẽ mô phỏng cách thức mà não người xử lý những dữ liệu kích thích được tiếp nhận ở nơ-ron đầu vào

và cho ra kết quả phản ứng ở nơ-ron đầu ra Tương tự sự phát triển của não, ngày càng có nhiều nơ-ron sẽ được kết nối với nhau bởi các khớp thần kinh Kết quả là nhiều lớp ẩn hơn sẽ được hình thành, tín hiệu từ những nơ-ron khác nhau sẽ hoạt động đồng thời và được kết nối bởi các khớp thần kinh để cho ra những phản ứng có nhiều sắc thái hơn

Điều hiển nhiên là, với những dữ liệu kích thích đầu vào đơn giản, chẳng hạn như kinh nghiệm về nhiệt độ quá nóng hoặc quá lạnh, thì không cần phải được xử lý bởi quá nhiều nơ-ron ở nhiều lớp ẩn trước khi cho ra kết quả phản ứng lại Tuy nhiên, khi

dữ liệu kích thích đầu vào trở nên phức tạp hoặc đa dạng hơn, nhiều nơ-ron hơn ở các lớp ẩn sẽ được kích hoạt và các phản ứng hoặc những quyết định được đưa ra sẽ là kết quả của quá trình cân nhắc khi kết hợp các tín hiệu từ nhiều nơ-ron của nhiều lớp

ẩn khác nhau

1.2.3.3 Huấn luyện mạng

Ý tưởng cơ bản của quá trình huấn luyện mạng chính là xác định tập trọng số phù hợp sao cho mô hình có thể được ứng dụng để đưa ra các quyết định hoặc dự báo tốt nhất trên cơ sở các dữ liệu quá khứ đã có được Quá trình này sẽ được thực hiện bằng cách sử dụng các thuật toán được xây dựng phù hợp với các loại mô hình mạng khác nhau Các thuật toán này có thể được chia là hai loại chính là “học có giám sát” và

“học không giám sát”

1.2.3.3.1 “Học không giám sát” (Unsupervised learning)

Trong quá trình “học không giám sát”, chỉ có dữ liệu quá khứ của biến đầu vào là được đưa vào mô hình Theo đó, hệ thống mạng thần kinh sẽ “tự tổ chức” (self-organizing), sắp xếp để phân loại các biến đầu vào thông các các nơ-ron thần kinh của lớp ẩn Với quá trình “tự huấn luyện” này, hệ thống mạng hầu như không có thông tin về phân loại đầu ra như thế nào là phù hợp Những thuật toán loại này thường sẽ được ứng dụng cho mô hình mạng thần kinh “Sơ đồ tự tổ chức” (Self-orgainizing map)

1.2.3.3.2 “Học có giám sát” (Supervised learning)

Khác với các thuật toán ở phần trên, các thuật toán “học có giám sát” đòi hỏi dữ liệu quá khứ của biến đầu vào và đầu ra tương ứng phải được biết trước Khi đó, sự chênh lệch giữa giá trị đầu ra của mô hình với giá trị thực tế sẽ là cơ sở để tiến hành điều chỉnh tập các trọng số của mô hình mạng thần kinh sao cho mục tiêu cuối cùng là tối thiểu hóa sai lệch giữa hai giá trị này Ví dụ điển hình của hình thức “học có giám sát” là thuật toán lan truyền ngược (back-propagation) Đây là thuật toán được sử dụng phổ biến trong hầu hết các nghiên cứu về mạng thần kinh nhân tạo và cũng là thuật toán được lựa chọn sử dụng trong bài nghiên cứu này Do vậy, từ đây trở đi, thuật toán huấn luyện mạng được sử dụng trong bài nghiên cứu được hiểu là thuật toán lan truyền ngược được ứng dụng cho mạng thần kinh truyền thẳng

Trong mô hình mạng thần kinh, mục tiêu của ta sẽ là xác định tập hợp trọng số

Ω = ω ;; γ (đối với mô hình chỉ có một lớp ẩn) hoặc Ω = ω ;; ρ; ; γ (đối với hệ có hai lớp ẩn) sao cho tối thiểu hóa bình phương chênh lệch giữa giá trị dự báo đầu ra và giá trị thực tế, được ký hiệu là hàm

( ) = ∑ ( − )

= f( , ) Trong đó, T là số lượng quan sát của vector biến đầu ra y, và ( ; ) đại diện cho

hệ thống mạng thần kinh

Nguyên tắc chung là tất cả các phương pháp tối ưu hóa phi tuyến đều bắt đầu bằng việc cho trước một tập hợp nghiệm ước đoán Ω , và tiếp theo là tìm kiếm những tập nghiệm khác tốt hơn cho đến khi xác định được kết quả khả dĩ tốt nhất trong phạm vi một số lần tìm kiếm hợp lý Quá trình này sẽ được thực hiện bằng thuật toán tìm kiếm dựa trên gradient Vấn đề ở đây là một số ước đoán ban đầu sẽ tốt hơn so với những giá trị khác trong quá trình xác định giá trị các hệ số tối ưu cho tiến trình dự báo Một

số giá trị ước đoán sẽ chỉ đưa ta đến các giá trị tối ưu cục bộ Đó chính là điểm mà cho kết quả dự báo tốt nhất so với các điểm khác xung quanh ước đoán ban đầu Tuy nhiên, nếu tìm kiếm xa hơn so với giá trị ước đoán ban đầu, ta sẽ xác định được những điểm cho kết quả dự báo tốt hơn, những giá trị tối ưu toàn cục Thực tế là không có giải pháp tuyệt đối cho vấn đề bị rơi vào cực trị địa phương trong quá trình ước lượng các hệ phi tuyến và phương án duy nhất chính là không ngừng “thử và sai” với các ước lượng ban đầu khác nhau và dựa trên kết quả có được để lựa chọn mô hình tương đối tốt nhất

1.2.4 Xây dựng mô hình mạng thần kinh nhân tạo

Hầu hết các nghiên cứu về mô hình mạng thần kinh nhân tạo đều thống nhất với nhau rằng, xây dựng mô hình mạng phù hợp để giải quyết một vấn đề cụ thể luôn là quá trình “thử và sai” với những biến số, thông số khác nhau của mô hình Tuy nhiên, các nghiên cứu của Iebeling Kaastra Milton (1995), JingTao (2000) đã phát họa những bước đi cơ bản, những nguyên tắc chung của quá trình này Theo đó, mô hình mạng thần kinh nhân tạo sẽ được xây dựng lần lượt theo các bước sau

Trước hết, tương tự như mọi mô hình hồi quy truyền thống, ta cần xác định các biến

số đầu vào và đầu ra của mô hình

Tiếp đến là quá trình thu thập những dữ liệu cần thiết cho quá trình huấn luyện hệ thống mạng và dự báo ngoài mẫu Trong quá trình này, việc chuẩn hóa số liệu, trong một số trường hợp là hết sức cần thiết

Dữ liệu đã thu thập được cần phải được phân chia thành ba phần: tập các quan sát được dùng để huấn luyện mạng, tập các quan sát được dùng để thử nghiệm lại và cuối cùng là tập được dùng để kiểm định ngoài mẫu

Kế đó là những vấn đề về việc lựa chọn cấu trúc của hệ thống mạng, số lớp ẩn, số ron cho mỗi lớp ẩn…

nơ-Sau khi đã định hình được mô hình, việc quan trọng tiếp theo là tiến hành huấn luyện mạng để xác định tập trọng số tốt nhất phản ánh mối tương quan giữa biến đầu vào và biến đầu ra Quá trình thử nghiệm này đòi hỏi phải so sánh hiệu quả dự báo của các

mô hình khác nhau Điều này được thực hiện trên cơ sở các tiêu chuẩn đánh giá như MSE, MAE…

Và cuối cùng chính là mô hình được đề xuất để ứng dụng trong thực tiễn

1.2.4.1 Xác định biến số cho mô hình mạng thần kinh

Việc nhận thức được những biến số nào đóng vai trò quan trọng, có khả năng ảnh hưởng đến biến cần được dự báo là điều kiện tiên quyết trong quy trình thiết kế mô hình mạng thần kinh nhân tạo Những gợi ý từ lý thuyết thuyết kinh tế về vấn đề này

sẽ rất hữu ích cho quá trình lựa chọn các biến số thích hợp cho mô hình Tuy nhiên, vấn đề này đôi khi bị xem nhẹ, bởi lẽ, nhiều người đã quá đề cao khả năng của mô hình mạng thần kinh trong việc phát hiện mối quan hệ phi tuyến phức tạp vốn tồn tại giữa các biến số mà trước đây chưa được biến đến Vấn đề này cũng liên hệ đến một hạn chế, mà nhiều người vốn lầm tưởng là của mô hình mạng thần kinh Đó là việc cho rằng những mô hình này hầu như không có sự liên kết với các lý thuyết kinh tế Điều này xuất phát từ một thực tế là, mô hình mạng thần kinh nhân tạo có khả năng linh hoạt trong việc mô hình hóa mối tương quan giữa các biến số đầu vào với biến

số đầu ra, tuy nhiên lại không thể chỉ ra một cách chính xác tác động của biến phụ thuộc lên biến độc lập là như thế nào Thế nhưng, cần phải lưu ý rằng, các lý thuyết kinh tế chỉ có nhiệm vụ chỉ ra khả năng tác động lẫn nhau của các biến số chứ không đưa ra cách thức, trong trường hợp này được hiểu là dạng hàm số, của quá trình liên kết này (Steven, 2007)

Quay trở lại vấn đề lựa chọn biến số cho mô hình, một trong những điều cần lưu ý là cân nhắc việc lựa chọn giữa các biến kỹ thuật với biến cơ bản.Các đầu vào kỹ thuật được hiểu là các giá trị trễ của biến phụ thuộc (ví dụ như biến phụ thuộc đang ở thời điểm t sẽ được sử dụng làm đầu vào tại thời điểm t+1) hay các chỉ báo được tính toán

từ các giá trị trễ (ví dụ như giá trị “trung bình di động giản đơn” trong t ngày) Trong khi đó, các yếu tố đầu vào cơ bản chính là các biến kinh tế được cho là có ảnh hưởng đến các biến phụ thuộc (ví dụ như CPI, giá trị sản lượng công nghiệp và chi tiêu Chính phủ…sẽ có khả năng ảnh hưởng đến tăng trưởng GDP) Mô hình mạng thần kinh đơn giản nhất thường sử dụng các giá trị trễ của các biến phụ thuộc hay hiệu số của các biến phụ thuộc giữa hai thời điểm t và t-1 làm đầu vào Một lối tiếp cận phổ biến hơn là tính toán các chỉ số kỹ thuật khác nhau của giá cả trong quá khứ (và đôi khi dựa vào khối lượng giao dịch trên thị trường giao ngay hoặc giao sau đối với trường hợp giá của các tài sản tài chính)

Mặt khác, việc sử dụng bộ dữ liệu theo ngày, theo tuần hoặc theo năm phụ thuộc phần nhiều vào mục tiêu của vấn đề đang nghiên cứu Các kết quả thực nghiệm đã chứng minh rằng việc sử dụng chuỗi dữ liệu của các khung thời gian ngắn hơn sẽ không có giá trị trong việc nâng cao độ chính xác của kết quả dự báo Đối với các dự báo kinh tế về GDP, tỷ lệ thất nghiệp, hay các chỉ số kinh tế vĩ mô khác thì chuỗi dữ liệu theo tháng hay theo quý sẽ là một sự lựa chọn thích hợp

1.2.4.2 Thu thập và xử lý dữ liệu

Sau khi xác định các biến số được cho là phù hợp với mô hình, bước tiếp theo sẽ là thu thập và xử lý dữ liệu Chi phí của quá trình thu thập và tính sẵn có của dữ liệu là hai vấn đền cần được quan tâm tại thời điểm này Thông thường, các dữ liệu kỹ thuật

sẽ dễ dàng tiếp cận hơn với so với các thông tin cơ bản do phụ thuộc vào chính sách quản lý thông tin vĩ mô của Chính phủ quốc gia đó

Một vấn đề khác trong quá trình thu thập chuỗi dữ liệu là khả năng xuất hiện các quan sát bị thiếu (ví dụ khả năng mất đi quan sát về giá đóng cửa của chỉ số chứng khoán ngày t giữa hai ngày t-1 và t+1) Các quan sát bị thiếu này thường được giải quyết bằng nhiều cách khác nhau Phương án thứ nhất là tất cả các quan sát bị thiếu

sẽ được bỏ qua, hai là gán cho các quan sát bị thiếu đó giá trị bằng không hoặc lấy trung bình của các quan sát gần nhất

Bên cạnh đó, khi sử dụng dữ liệu cơ bản như là một yếu tố đầu vào của mô hình mạng, một số điều cần lưu ý là: các chỉ số cơ bản cần được tính toán theo một phương pháp thuần nhất trong suốt các khoảng thời gian quan sát dữ liệu Tiếp đó, dữ liệu cần có một độ trễ thích hợp khi sử dụng làm yếu tố đầu vào của mô hình mạng bởi lẽ các dữ liệu cơ bản thường không sẵn có và công bố kịp thời như các biến động của thị trường, trong trường hợp dự báo sự thay đổi của giá các tài sản trên thị trường tài chính Và cuối cùng là ta nên chắc chắn rằng các nguồn thông tin trên sẽ tiếp tục được công bố hoặc sẵn sàng các nguồn tương tự khác trong trường hợp nguồn thông tin hiện tại gặp vấn đề

Vấn đề tiếp theo của quá trình tiền xử lý dữ liệu trước khi đưa vào mô hình là việc chuẩn hóa dữ liệu Mục đích của quá trình này là nhằm điều chỉnh giá trị của các biến đầu vào và đầu ra về mức hợp lý (Jingtao, 2000) từ đó giúp cho quá trình ước lượng phi tuyến của mô hình mạng thần kinh đạt được hiệu quả cao hơn Đặc biệt là khi sử dụng hàm tangsigmoid hay hàm logsigmoid thì việc chuẩn hóa dữ liệu là bước chắc chắn phải thực hiện Nếu dữ liệu không được chuẩn hóa để đưa về trong một khỏang thích hợp, như [0,1] hay [-1,1] thì các nơ-ron sẽ tự động gán cho các giá trị quá lớn là

1 và các giá trị quá nhỏ là 0 (đối với nơ-ron logsigmoid) hay -1 (đối với nơ-ron tangsigmoid) Khi đó, một lượng lớn dữ liệu sẽ bị bỏ qua bởi vì các nơ-ron sẽ chỉ đơn giản gán các giá trị -1, 0 hay 1 vào một loạt các dữ liệu đầu vào

Hàm chuẩn hóa tuyến tính sử dụng giá trị cực đại và cực tiểu của chuỗi [y x] Hàm chuẩn hóa tuyến tính chuyền đổi x thành x∗ thuộc đoạn [0 ; 1] theo cách sau:

được dùng để xác nhận lại (validation set) và cuối cùng là tập kiểm định ngoài mẫu, bao gồm các quan sát được dùng để kiểm định tính hiệu quả của mô hình (testing set)

Trong đó, tập các quan sát được dùng cho quá trình huấn luyện mạng thường chiếm

số lượng nhiều nhất Đây là những quan sát được đưa vào mô hình để giúp cho hệ thống mạng thần kinh nhân tạo xác định mẫu hình tồn tại trong chuỗi dữ liệu, mối tương quan tuyến tính hoặc phi tuyến giữa các biến đầu vào và đầu ra Tiếp đến, tập các quan sát được dùng để xác nhận lại sẽ đảm nhận vai trò đánh giá khả năng khái quát hóa của mô hình đang được huấn luyện Cuối cùng, căn cứ trên kết quả của quá trình kiểm tra ngoài mẫu trên cơ sở những quan sát của tập kiểm định (testing-set),

mô hình có kết quả tốt nhất sẽ được lựa chọn

Điểm cần lưu ý trong việc phân chia tỷ lệ giữa ba quan sát này chính là phải cân bằng giữa số quan sát cần thiết cho tập huấn luyện để mô hình mạng có thể nhận biết được mẫu hình trong chuỗi dữ liệu và khả năng khái quát hóa của mô hình, được minh chứng qua những quan sát của tập xác nhận lại Việc lựa chọn quan sát cho tập hợp này có hai cách Cách thứ nhất là các quan sát của tập xác nhận sẽ được lựa chọn một cách ngẫu nhiên trong tập hợp các dữ liệu thu thập được và cách thứ hai là sẽ lấy các

dữ liệu ngay tiếp theo sau các quan sát của tập huấn luyện Ưu điểm của cách lựa chọn đầu tiên là sẽ tránh cho tập xác nhận lại rơi vào một thời kỳ dữ liệu với những đặc điểm nhất định từ đó làm sai lệch những đánh giá về khả năng khái quát hóa của

mô hình Đặc biệt là trong thị trường tài chính, nơi giá cả thường sự suy giảm hoặc tăng mạnh trong suốt một thời kỳ, nếu tập xác nhận lại được lấy từ những quan sát trong thời kỳ này để tiếp theo những quan sát trước đó của tập huấn luyện thì nhiều khả năng, tính khái quát hóa, khả năng dự báo của mô hình sẽ không được đánh giá chính xác Tuy nhiên, phương pháp lấy tập xác nhận theo hướng thứ hai cũng có lợi điểm là sẽ xác nhận mô hình bằng những dữ liệu mới và được cập nhật nhất

Tuy nhiên, nhìn chung, các nghiên cứu đều không đưa ra một tỷ lệ cố định cho việc phân chia giữa ba tập hợp này Jingtao (2000) đưa ra mức tham khảo theo kinh nghiệm của bản thân ông về tỷ lệ của ba tập hợp này lần lược là 70%, 20% và 10% trên tổng số mẫu thu thập được Thực tế thì tỷ lệ như thế nào là phù hợp phụ thuộc rất nhiều vào quá trình thử nghiệm và thực tế đặc điểm của dữ liệu

1.2.4.4 Xây dựng cấu trúc mô hình mạng

Như đã trình bày ở trên, mạng thần kinh nhân tạo trong thực tế rất đa dạng, tuy nhiên, nhìn chung được chia làm hai loại chính là: mạng thần kinh truyền thẳng và mạng phản hồi Trong đó, mạng truyền thẳng đa lớp là mô hình được sử dụng phổ biến trong hầu hết các nghiên cứu và là đối tượng nghiên cứu chính của bài Do vậy, hai vấn đề còn lại trong phần này là xác định số lớp ẩn của mô hình và số nơ-ron cho mỗi lớp

1.2.4.4.1 Số lớp ẩn của mô hình mạng truyền thẳng đa lớp

Nếu như theo lý thuyết mô hình thần kinh truyền thẳng một lớp ẩn duy nhất với số lượng nơ-ron phù hợp sẽ có thế ước lượng hầu hết các hàm phi tuyến thì trong thực

tế, mô hình mạng truyền thẳng với một hoặc hai lớp ẩn đã được sử dụng phổ biến và cho kết quả đáng khích lệ Cho tới nay, vẫn chưa có nghiên cứu xác định số lớp ẩn tối

ưu cho mô hình mạng Tuy nhiên, điều cần lưu ý là việc gia tăng số lớp ẩn trong quá trình thử nghiệm để xác định mô hình phù hợp sẽ gắn liền với việc kéo dài thời gian huấn luyện đồng thời đưa đến khả năng mô hình rơi vào tình trạng “phù hợp thái quá” (over-fitting) Điều này có nghĩa là mô hình đã quá tập trung vào việc ghi nhớ những thay đổi chi tiết trong dữ liệu mà bỏ qua việc khái quát xu hướng chung và kết quả là dẫn đến khả năng dự báo trong thực tế hầu như không có, được biểu hiện qua kết quả của tập các quan sát dùng để xác nhận lại mô hình hoặc trong quá trình kiểm định ngoài mẫu Nhìn chung, các nghiên cứu về mạng thần kinh đều cho rằng, một hoặc hai lớp ẩn sẽ phù hợp trong hầu hết các trường hợp và những mô hình mạng từ bốn lớp ẩn trở lên hầu như không cải thiện hiệu quả dự báo (Iebeling, 1995)

1.2.4.4.2 Số nơ-ron của mỗi lớp ẩn trong mô hình mạng

Sau khi thiết lập được số lớp ẩn cho mô hình, điều tiếp theo cần làm là xác định số nơ-ron cần thiết cho mỗi lớp ẩn Thực tế là không tồn tại một lý thuyết hoặc phương pháp chung cho việc xác định số nơ-ron phù hợp cho một mô hình Theo Shih (1994) thì ông cho rằng, mô hình mạng thần kinh thông thường nên có dạng một kim tự tháp Theo đó, lớp đầu tiên sẽ có số lượng nơ-ron lớn nhất tương ứng với các biến đầu vào và các lớp tiếp theo sau sẽ có số nơ-ron ít hơn Trong khi đó, Azoff (1994) lại đề nghị rằng số lượng quan sát trong tập dữ liệu dùng để huấn luyện mô hình

mạng cần phải ít nhất gấp 10 lần tổng số lượng các trọng số Hoặc Katz (1992) đưa ra

nguyên tắc rằng số lượng nơ-ron ẩn tối ưu nên nằm trong khoảng từ một nửa cho đến gấp ba lần số nơ-ron đầu vào và JingTao (2000) đưa ra nguyên tắc rằng với mô hình mạng truyền thẳng một lớp ẩn duy nhất, số lượng nơ-ron phù hợp có thể là N/2, N/2 +1, N/2 – 1, N/2 +2, N/2 – 2,… với N là số lượng nơ-ron đầu vào Nhìn chung, việc xác định số lượng nơ-ron đòi hỏi tiến hành quá trình thử và sai liên tục để rút ra được

mô hình tương đối phù hợp nhất

1.2.4.5 Huấn luyện mạng và các tiêu chuẩn đánh giá mô hình

Như đã đề cập ở phần trên, quá trình huấn luyện mạng thần kinh truyền thẳng sẽ sử dụng thuật toán lan truyền ngược Các dữ liệu của biến đầu vào được đưa vào hệ thống mạng, đi qua các nơ-ron của lớp ẩn và đến nơ-ron đầu ra để có được kết quả dự báo Kết quả dự báo này từ mô hình sẽ được so sánh với giá trị thực tế của biến đầu

ra Chênh lệch của hai chuỗi giá trị sẽ được tính toán, phản ánh qua chỉ tiêu MSE, trung bình của các sai số bình phương (Mean squared errors) Khi đó, sai lệch này sẽ

là cơ sở cho mô hình điều chỉnh trọng số của nơ-ron các lớp ẩn trước đó Quá trình này lặp lại cho đến lúc mục tiêu tối thiểu hóa MSE được thỏa mãn

Bên cạnh chỉ tiêu trung bình các sai số bình phương, thì một số các chỉ tiêu tương tự khác cũng được sử dụng để đánh giá hiệu quả của mô hình như:

 Trung bình các sai số bình phương (Mean squared error – MSE)

 Trung bình các sai số bình phương được chuẩn hóa (Normalized mean squared error – NMSE)

 Trung bình các sai số tuyệt đối (Mean absolute error – MAE)

 Hệ số tương quan tuyến tính (Correlation coefficient – r)

1.2.5 Bằng chứng thực nghiệm ứng dụng của mô hình mạng thần kinh

Ý tưởng về việc xây dựng mô hình mạng thần kinh nhân tạo đã xuất hiện từ những năm 1958 , khởi nguồn bởi Frank Rosenblatt Tuy nhiên, phải đến những năm cuối thập kỷ 90, những nghiên cứu ứng dụng của mô hình mạng thần kinh mới dần trở nên phổ biến Từ đó đến nay, mô hình mạng thần kinh nhân tạo đã được đưa vào ứng trong rất nhiều lĩnh vực khác nhau nhau như y học và công nghệ Nội dung của bài nghiên cứu tập trung vào những ứng dụng của mô hình mạng thần kinh trong lĩnh vực kinh tế - tài chính

1.2.5.1 Ứng dụng trong dự báo tài chính

Trong lĩnh vực tài chính, mô hình mạng thần kinh chủ yếu được ứng dụng trong việc

dự báo xu hướng thay đổi của giá các tài sản tài chính và dựa trên đó để xây dựng các

hệ thống giao dịch tự động nhằm tối đa hóa lợi nhuận Nghiên cứu của Jingtao, Chew

và Hen-Lee (1999) đã sử dụng các chỉ báo trong phân tích kỹ thuật làm biến số đầu vào cho việc dự báo chỉ số của thị trường chứng khoán mới nổi Kuala Lumpur Các tác giả kết luận rằng, mô hình mạng thần kinh nhân tạo cho kết quả dự báo tốt hơn so với mô hình ARIMA truyền thống Kết luận tương tự cũng được rút ra trong nghiên cứu của Reza G Ahagar và Mahmood Yahyazadehfar (2010), khi sử dụng mô hình mạng thần kinh được khái quát hóa (Generalized Regression Neural Network) và mô hình tuyến tính để ước lượng giá chứng khoán của các doanh nghiệp đang giao dịch trên sàn Tehran (Iran) Nghiên cứu của Qing Cao, Mark và Karyl (2009) khi ứng dụng mô hình mạng thần kinh cho thị trường chứng khoán Shanghai, Trung Quốc cũng đưa kết luận tương tượng về hiệu quả dự báo của mô hình này Bên cạnh đó, để gia tăng hiệu quả dự báo của mô hình, mạng thần kinh nhân tạo còn được kết hợp với những ứng dụng khác của khoa học trí tuệ nhân tạo như lý thuyết logic mờ và thuật toán di truyền Nghiên cứu của Gholamreza và Reza (2010) trong việc ứng dụng mô hình mạng thần kinh kết hợp với lý thuyết logic mờ cho kết quả đáng khích lệ

1.2.5.2 Ứng dụng trong xếp hạng tín dụng

Thẩm định tín dụng là một ứng dụng khác của mô hình mạng thần kinh nhân tạo Dưới góc độ của ngân hàng cho vay, việc phân biệt giữa “con nợ” tốt và xấu là vô cùng quan trọng Quá trình thẩm định trước khi cấp tín dụng này được thực hiện trên

cơ sở các thông tin liên quan đến người đi vay như: thu nhập, tuổi, trình độ học vấn… Tất cả những thông tin này đều có thể trở thành dữ liệu đầu vào để đưa vào mô hình mạng và các kết quả đầu ra tương ứng là khả năng trả nợ trong quá khứ của người đi vay Từ đó, mô hình mạng thần kinh có thể được xây dựng để đưa ra những gợi ý trong quyết định cấp tín dụng của ngân hàng Bên cạnh đó, mô hình mạng thần kinh còn được áp dụng cho việc xếp hạng tín nhiệm đối với các loại trái phiếu trên thị trường hoặc ứng dụng trong việc đánh giá khả năng phá sản của doanh nghiệp

1.2.5.3 Ứng dụng trong dự báo lạm phát

Bên cạnh việc dự báo giá các chứng khoán, dự báo xác suất phá sản của doanh nghiệp thì mô hình mạng thần kinh đã bước đầu được ứng dụng trong các dự báo biến vĩ mô như tỷ giá, tăng trưởng kinh tế và lạm phát

Nghiên cứu của Jingtao (1995) đã sử dụng mô hình mạng thần kinh để dự báo xu hướng biến động của đồng GBP, JPY, AUD va CFH bằng các chỉ báo kỹ thuật đơn giản làm biến đầu vào Kết quả nghiên cứu cho thấy mô hình hoàn toàn có khả năng giúp nhà đầu tư đạt được mức lợi nhuận đáng kỳ vọng

Trên cơ sở dữ liệu của cặp tỷ giá CAD/USD, sử dụng tiêu chuẩn RMSE, hai tác giả Nikola Gradojevic và Jing Yang (2000), thuộc Ngân hàng Trung Ương Canada, cũng

đã cho kết luận về sự vượt trội trong hiệu quả dự báo của mô hình mạng thần kinh so với mô hình tuyến tính Đây cũng là kết luận của Ashok và Amit (2002) khi ứng dụng mô hình mạng thần kinh có sự kết hợp với thuật toán di truyền để dự báo chuỗi

tỷ giá của đồng mark Đức so với đồng USD

Trong khi đó, những nghiên cứu ứng dụng mô hình mạng thần kinh trong việc dự báo

tỷ tệ tăng trưởng kinh tế hàng năm cho kết quả có phần khiêm tốn hơn Nghiên cứu của Greg (2001) sử dụng mô hình mạng nhân tạo nhằm nâng cao độ chính xác của các biến tài chính và tiền tệ trong việc dự báo mức tăng trưởng sản lượng của Canada Kết quả cho thấy, mô hình mạng đã thật sự góp phần làm giảm các sai lệch trong dự báo mức tăng trưởng sản lượng hàng năm so với mô hình tuyến tính Tuy nhiên, trong trường hợp dự báo mức tăng trưởng theo quý thì kết quả nghiên cứu cho thấy hầu như không có sự khác biệt lớn từ kết quả dự báo từ hai loại mô hình Trong khi đó, nghiên cứu của Saeed, Denise và Birchenhall (2004) sử dụng mô hình mạng thần kinh trong việc dự báo sản lượng công nghiệp của các nước Anh, Đức, Pháp Sử dụng tiêu chuẩn RMSE, kết quả nghiên cứu cho thấy mô hình tuyến tính lại cho kết quả dự báo tương đối tốt hơn so với mô hình mạng Tuy nhiên, mạng thần kinh nhân tạo lại tỏ ra hiệu quả hơn hẳn trong việc dự báo xu hướng của sự thay đổi Do vậy, trong dự báo các biến số vĩ mô, quan điểm của Steven (2000) về sự kết hợp giữa mô hình mạng thần kinh phi tuyến với các mô hình tuyến tính truyền thống là điều cần phải được cân nhắc

Bên cạnh tỷ giá và tăng trưởng kinh tế, mô hình mạng thần kinh đã được ứng dụng trong dự báo tỷ lệ lạm phát ở các quốc gia Nghiên cứu của Recep Duzgun (2010) đã

so sánh hiệu quả dự báo ngoài mẫu của các mô hình mạng thần kinh được khái quát hóa (generalized neural network), mô hình mạng truyền thẳng và mô hình ARIMA đối với chỉ số giá tiêu dùng (CPI) của Thổ Nhĩ Kỳ sử dụng bộ dữ liệu từ năm 2000 đến năm 2008 Tác giả đã đi đến kết luận về sự vượt trội trong hiệu quả dự báo của các mô hình mạng thần kinh nhân tạo so với mô hình truyền thống Tương tự, Paul và Peter (2004) khi ứng dụng mô hình mạng thần kinh mô hình hóa đường cong Philip phi tuyến đã cho thấy, mô hình này có cho kết quả dự báo tốt hơn so với mô hình tuyến tính trong trường hợp dự báo chỉ số giá dịch vụ của khu vực Châu Âu Điểm đặc biệt của bài nghiên cứu là sử dụng phương pháp “thick model” Điều này có nghĩa là giá trị dự báo được lấy trung bình của các mô hình dự báo khác nhau được xây dựng một cách ngẫu nhiên Hiệu quả dự báo của mô hình mạng đối với biến lạm phát còn được thể hiện qua nghiên cứu của Adnan và Muhammad Nadeem (2007) Tác giả sử dụng dữ liệu tỷ lệ lạm phát hàng tháng so với cùng kỳ năm trước trong giai đoạn 1993 – 2007 để dự báo cho lạm phát trong năm 2008 bằng mô hình mạng truyền thẳng với 12 lớp ẩn kết hợp với thuật toán lan truyền ngược Kết quả kiểm định ngoài mẫu của nghiên cứu trên cho thấy, chỉ tiêu RMSE của mô hình mạng phi tuyến thấp hơn rất nhiều so với mô hình AR(1) và mô hình ARIMA(2) Điều này, một lần nữa, cho thấy sự cải thiện trong hiệu quả dự báo của mô hình mạng so với các mô hình truyền thống

1.2.5.4 Một số ứng dụng khác của mô hình mạng thần kinh nhân tạo

Bên cạnh các ứng dụng như đã được kể trên, mô hình mạng thần kinh nhân tạo còn được ứng dụng trong hoạt động sản xuất kinh doanh của doanh nghiệp Cụ thể là, mô hình mạng có thể được thiết kế dự báo doanh số, phân loại khách hàng trung thành và

có khả năng mang lại lợi nhuận cao cho doanh nghiệp và dự báo khả năng chi tiêu của họ trên cơ sở những thông tin về tuổi, giới tính, thu nhập…

Ở Việt Nam, mô hình mạng thần kinh chủ yếu được ứng dụng trong lĩnh vực kỹ thuật như mô phỏng, dự báo dòng chảy sông Đồng Nai (Lê Văn Dực, 2009); dự báo định lượng mưa (Bùi Minh Tăng, 2009) Bên cạnh đó, cùng với xu hướng ứng dụng các

mô hình định lượng trên thị trường chứng khoán Việt Nam, mô hình mạng thần kinh cũng là một trong những mô hình được nhiều người chú ý đến Tuy nhiên, hầu như

chưa có nghiên cứu nào về ứng dụng của mô hình mạng thần kinh nhân tạo trong lĩnh vực dự báo vĩ mô mà đây là một trong những vấn đề cần được quan tâm trong điều kiện tình hình vĩ mô của Việt Nam có nhiều biến động

CHƯƠNG 2: ỨNG DỤNG MÔ HÌNH MẠNG THẦN KINH

DỰ BÁO LẠM PHÁT VIỆT NAM

2.1 Xác định các biến số đầu vào của mô hình

Thực tế biến động của lạm phát Việt Nam trong suốt thời gian qua cho thấy, nguyên nhân quan trọng của lạm phát trong nền kinh tế Việt Nam không nằm ngoài yếu

tố tiền tệ, tín dụng và cung tiền

Biểu đồ 2.1 cho thấy những bằng chứng ban đầu ủng hộ quan điểm lạm phát của Việt Nam có sự góp phần quan trọng của chính sách tiền tệ Theo đó, sự tăng giảm trong cung tiền và tín dụng của nền kinh tế, hai biến số quan trọng của chính sách tiền tệ luôn theo sau đó bởi mức độ lạm phát tương ứng Tuy nhiên, sự tác động của hai biến

số này luôn có độ trễ nhất định và đây là một trong những nhân tố được dùng để lý giải cho mức lạm phát cao đột biến trong năm 2007 – 2008

Theo đó, trong năm 2007, tăng trưởng tín dụng trong toàn nền kinh tế hơn 50% so với năm trước đó, tương đương với tổng dư nợ hơn 320.000 tỷ đồng và chủ yếu tập trung vào 3 tháng cuối năm 2007 mà nguyên nhân chủ yếu liên quan đến việc các ngân hàng đẩy mạnh cho vay bất động sản để đảm bảo kéo giảm tỷ lệ cho vay chứng khoán trong tổng dư nợ nhằm đáp ứng quy định trong Chỉ thị 03 của NHNN về cho vay chứng khoán Tuy nhiên, đây chỉ là một trong những nguyên nhân nhất thời tại thời điểm đó Quá trình mở rộng cung tiền và tín dụng trong nền kinh tế Việt Nam đã kéo dài từ những năm đầu thập niên Hình 2.1 cho thấy từ năm 2002 – 2009, cung tiền M2 và tín dụng tăng bình quân ở mức 30% hàng năm

Hình 2.1: Tốc độ tăng trưởng cung tiền (M2), tín dụng và lạm phát

Nguồn: Tổng hợp từ số liệu của Ngân hàng phát triển châu Á (ADB)

Tốc độ tăng nhanh cung tiền và tín dụng ở Việt Nam trong suốt những năm qua bắt nguồn từ nhiều nguyên nhân khác nhau mà trước hết đó là do tác động của chính sách điều hành vĩ mô nhắm đến mục tiêu tăng trưởng Để duy trì tốc độ tăng trưởng kinh

tế qua các năm bên cạnh việc đưa nền kinh thoát khỏi suy thoái trong một số giai đoạn, nhiều biện pháp mà một trong số đó là chính sách tiền tệ mở rộng: duy trì tỷ lệ bắt buộc thấp, mua và USD để ổn định tỷ giá trong biên độ nhằm thúc đẩy xuất khẩu Tuy nhiên, những chính sách này lại tiềm ẩn nguyên nhân lạm phát do việc tích lũy của gia tăng số lượng tiền theo thời gian Cuối cùng, khi cung tiền mở rộng qúa nhanh nhưng không có biện pháp tương ứng để giảm lượng tiền trong lưu thông đã gây ra những tác động tiêu cực và góp phần tạo ra lạm phát Riêng trong nửa đầu năm

2007, việc mua vào gần 7 tỷ USD từ Ngân hàng Nhà nước để chuyển đổi nội tệ của vốn bên ngoài chảy vào, chủ yếu là dòng vốn đầu tư gián tiếp, đã dẫn đến đưa thêm khoảng 110.000 tỷ đồng (tương đương 10% GDP) vào lưu thông Và nhằm thu hồi tiền về, Ngân hàng Nhà nước lại sử dụng những công cụ hành chính quá mạnh trong

6 tháng cuối năm này như tăng tỷ lệ dự trữ bắt buộc từng bước từ 5% lên 10% rồi 11%, hay thu hồi 20,300 nghìn tỷ đồng qua tín phiếu bắt buộc 12 tháng với lãi suất (7.8%) một tỷ lệ còn thấp hơn mức lạm phát hay lãi suất huy động vốn từ dân cư và đẩy một phần chi phí chống lạm phát về phía hệ thống Ngân hàng thương mại Chính những điều này đã tác động mạnh, dẫn đến tình trạng khan hiếm tiền đồng và lãi suất cho vay ngắn hạn trên thị trường liên ngân hàng lên mức rất cao tái 150% so với bình

thường hay rủi ro thanh khoản đối với các ngân hàng cổ phần quy mô nhỏ Mức lãi suất cao một lần nữa tác động đến hiệu quả sản xuất kinh doanh của doanh nghiệp và ảnh hưởng đến tăng trưởng kinh tế

Bên cạnh đó, lạm phát trong những năm qua còn xuất phát từ yếu tố “chi phí đẩy”

Thực tế là có một sự tương đồng trong xu hướng biến động của giá dầu thế giới (hình 2.2) và chỉ số CPI của Việt Nam trong khoảng ba năm gầy đây Khi lạm phát của Việt Nam đạt đỉnh (hơn 25% so với cùng kỳ năm trước1) vào khoảng quý 3 năm 2008 thì trước đó vài tháng, giá dầu thô trên thị trường thế giới cũng đạt mức cao nhất từ trước đến nay gần 140 USD/thùng

Hình 2.2: Giá dầu thô (trái) và tỷ lệ lạm phát hàng tháng (phải)

Nguồn: Economist Intelligence Unit – Vietnam country report, tháng 2/2011

Nguyên nhân của hiện tượng này một phần là do sự cương quyết của Chính phủ trong việc loại bỏ trợ giá đối với các nhà phân phối xăng dầu trong nước Kết quả là giá bán lẻ trong nước đã theo sát với giá cả trên thị trường quốc tế Ảnh hưởng của việc tăng giá xăng dầu hàm chứa yếu tố tiêu cực mà dễ thấy nhất trong ngắn hạn lạ sự xáo trộn tâm lý, tăng giá và sức ép tăng giá, bất lợi cho các doanh nghiệp Nghiên cứu của Nguyễn Đức Thành, Bùi Trinh và Đào Nguyên Thắng (2008) ước lượng ảnh hưởng trực tiếp của giá xăng dầu và gas lên sự xói mòn thu nhập thực của hộ gia đình cho

1

EIU – Vietnam 2011

thấy mức độ độ khá lớn Nếu chỉ xét đến sự tăng giá xăng dầu nói riêng, các hộ nghèo cho thấy sức mua bị giảm đi khoảng 1.08%, còn các hộ giàu thì khoảng 1.28% Trong khi đó, nếu tính đến cả khả năng tăng giá gas tiếp theo giá xăng dầu thì tỷ lệ này lần lượt là 2.2% và 1.9%

Hình 2.3: Giá xăng dầu trên thị trường trong nước và thế giới

Nguồn: Báo cáo của Ngân hàng thế giới năm 2008

Mức độ tác động của tăng giá xăng dầu lên mức giá chung của nền kinh tế có thể phần nào được hạn chế bởi chính sách quản lý giá của phía Chính phủ thông qua việc điều chỉnh mức thuế suất nhập khẩu và xây dựng quỹ bình ổn giá xăng dầu và các biện pháp hành chính…nhưng sẽ không tránh khỏi hiệu ứng lan tỏa, mượn đó làm lý

do để tăng giá các mặt hàng khác Bên cạnh đó, chính việc quản lý giá của Chính phủ đối với mặt hàng này đã khiến cho mỗi lần giá xăng bán lẻ được điều chỉnh lại tạo ra

kỳ vọng về khả năng giá sẽ được điều chỉnh tiếp theo mà chủ yếu là tăng chứ không giảm Điển hình là hai lần điều chỉnh giá xăng A92 gần đây nhất, từ mức 16.400 lên mức 19.300 và ngày 24/2/2011 và tiếp đó là lần điều chỉnh từ mức 19.300 lên mức 21.300 vào ngày 29/3/2011 Tuy nhiên Bộ tài chính luôn nhấn mạnh rằng mức gia xăng dầu trong nước vẫn thấp hơn so với các nước lân cận từ đó tạo tâm lý kỳ vọng

“lạm phát” giá xăng trong thời gian tới